自主实验：高通量实验

可视化演示

通过96孔板筛选、AI实验设计对比与自主实验闭环三个模式，理解AI驱动的自动化高通量实验流程与闭环优化机制。支持模式切换与播放暂停。

一、初识高通量：一炉烤出几十道菜

老周以前做实验式研发，就像一位固执的厨师，坚持一道菜做完、尝完、记完，才开下一道。灶台永远只有一个在冒火，剩下九个在闲着。他意识到，浪费的不是厨艺，是时间在「等待」中悄悄溜走。后来他把厨房改成流水线：二十个灶台同时开火，每道菜按统一流程走，这才有了中央试验厨房的雏形。这个故事告诉我们，高通量实验的灵魂不是「做得多」，而是「同时做」。

在科研术语里，高通量实验（High-Throughput Experimentation，HTE）指的是：借助自动化设备和并行化手段，在单位时间内完成远超传统方式的实验数量，并系统性地采集每一组实验数据。它由三根柱子撑起来——自动化的设备代替双手，并行化的排布挤压时间，快速的检测手段让结果不再等半天。打个比方，传统实验是「一道菜做完再开下一道」，高通量实验则是「一整盘切片面包同时跳进烤炉」。

衡量「同时做」效果的核心指标是通量，也就是单位时间内能完成的实验个数。它的公式非常直观：

回到老周的厨房：同样的 200 道菜，一个人做要 20 天，二十个灶台并行只需要 1 天。高通量实验做的，就是把「排队等锅」的时间一把抹掉。

二、硬件三件套：灶台、货架与电子舌头

中央试验厨房要转起来，靠三样硬件：能自己翻勺的机器厨师、码放整齐的食材货架、以及速度快过人工品尝无数倍的电子舌头。缺了任何一件，流水线就会卡壳。科研里的高通量实验同样依赖「硬件三件套」，它们是撑起整个自动化的物理底座。

第一件是自动化设备。它们像机器厨师，包括移液工作站、自动化合成平台、机械臂等。机器厨师不累、不抖、不会凭手感乱加调料，每次加多少毫克的试剂都精确到小数点后几位。第二件是样品库管理。食材货架上的每种原料都有唯一编号、存放位置和有效期记录，机器厨师随手就能取到。样品库里的每一个化合物、每一份细胞系，也都配有二维码和元数据。第三件是快速检测仪器，比如光谱仪、质谱仪、X射线衍射仪，它们像电子舌头和电子鼻子，能在几秒内报出「这道菜咸了、苦了、达标了」。检测环节的速度直接决定整套系统能跑多快。

硬件不是买了就会满负荷运转，设备也会「偷懒」。判断一台设备有没有在认真干活，看它的利用率：

很多高通量平台「看起来很忙」，一查利用率才发现检测仪一直在等机械臂送样。老周后来在厨房装了传送带，让菜一出锅就送到电子舌头嘴边。设备之间衔接顺了，整套流水线才真正转起来。

三、实验编排：菜谱排布的艺术

有了硬件，下一步是决定这 200 道菜分别是什么。老周知道，如果把 10 种调料各设 3 种用量，全部排列组合就是 3 的 10 次方——五万多种配方，试到明年也试不完。菜谱怎么排，本身就是一门学问。

在实验设计里，这种把每个因素的每个水平都组合一遍的做法叫全因子设计。它的组合数公式是：

高通量实验的编排思路，不是硬扛组合爆炸，而是「先稀疏铺开，再局部加密」。第一轮用正交设计或拉丁超立方采样的方式，在整个配方空间均匀撒点；跑完一轮后，根据结果把下一轮的点集中到最有希望的区域。整个流程形成「设计 → 执行 → 分析 → 再设计」的闭环，循环往复。这套闭环从第几轮开始，就不需要人肉安排灶台了——算法接过指挥棒，这就是下一节的故事。老周的经验是：菜谱排得好，一半的菜已经成功了；排得不好，再快的流水线也只是高速制造失败。

四、算法导航：AI主厨的决策大脑

老周年纪大了，没法每分钟都盯着二十口锅。他雇了一位「AI 副厨」，这伙计不用掌勺，只干一件事：盯着这些菜的评分记录，掐指一算，告诉老周下一轮最该试哪几个配方。这就是自主实验里 AI 的核心角色——算法导航。

AI 副厨的看家本领叫贝叶斯优化。它心里装着一张「味道地图」：横轴是调料配比，纵轴是预计得分。地图上有把握的区域用实线标出，没把握的区域用阴影表示。每做完一轮实验，地图就更新一次。问题是：下一轮该去探索没试过的阴影区域，还是该去利用已经验证过的好配方附近微调？这个两难叫「探索与利用的平衡」，处理它的经典工具是采集函数 UCB（置信上界）：

在真实的高通量平台上，贝叶斯优化每完成一轮就更新一次代理模型，然后再次推荐下一批实验配方，像极了 AI 副厨反复翻阅记录本、圈出下一批最有希望的方子。老周的中央厨房从此告别盲目试菜：每一道菜都带着目的上灶台。

五、数据管家：菜谱记录的科学

流水线跑得再快，如果每道菜的记录丢三落四，等于白做。老周最早用纸笔记菜谱，200 道菜记了满满一本，晚上一核对，发现几十道菜的火候栏是空的。从那以后，他给厨房配了一位数据管家，每道菜从投料、火候到电子舌头的评分，全自动记入统一的电子系统。高通量实验吃数据的胃口极大，数据管理就是它的命脉。

第一，数据采集要自动。机械臂做完一个实验，数据直接流入系统，杜绝人工誊抄的错误。第二，存储要标准化。所有实验用同一种文件格式、同一套命名规范，样品编号、日期、操作人员、仪器参数齐全，这叫「元数据完整」。第三，质量要管控。系统会标出异常值，比如某道菜的评分比同批次的菜高了十倍，多半是记录出了问题，需要复查。

衡量数据系统健康程度的指标之一，是数据有效率：

数据管家还干一件事：给每条记录盖上「可信度」的戳。AI 副厨读数据时，会优先参考高可信度的记录做决策。老周常说，菜谱记录科学了，AI 副厨的眼睛才亮。

六、效率账本：通量到底翻了几倍

流水线建好了，老板要问：钱花得值不值？效率到底翻了几倍？老周掏出账本算了三笔账：单位时间出菜数、每道菜的成本、以及真正能端上桌的「好菜」占比。这就是效率评估。

第一笔账是通量，也就是单位时间内完成的实验数。老周以前一天 5 道菜，现在一天 200 道，通量翻了 40 倍。第二笔账是单样本成本，花出去的总钱数除以真正有效的实验数：

第三笔账是命中率，也就是这批实验里有多少个结果达到了预设目标。高通量实验追求的不是把一千个实验都跑完，而是在最小成本内捞到最多的「好菜」。老周的经验是：如果流水线只产出了一堆平庸的数据，那不是设备不够快，是算法导航该调参了。效率账本记的从来不是跑得多快，而是「有效产出」多快。

七、实战图鉴：材料与药物的中央厨房

老周的中央厨房模式很快传开了。做合金的、做药的、做催化剂的，都跑来取经：能不能帮我们也建一条流水线？别说，这个后厨模型搬到实验室还真全能——毕竟，不管是炒菜还是合成材料，本质都是「变量组合 + 结果测评分」的老套路。

在材料领域，高通量实验被用于新合金配方筛选。以前研发一种高熵合金，需要把五到八种金属按不同比例熔炼、打磨、测试，一年只能试几十种。建了高通量平台后，自动化设备在一天内制备几百种不同配比的合金薄膜，检测仪快速扫描硬度和耐腐蚀性，AI 从数据里挑出最有潜力的组合，再进入第二轮验证。命中率公式依然适用：

在制药行业，高通量实验最典型的应用是药物晶型筛选。同一种药分子可以结晶成十几种形态，有的溶得快、有的稳定、有的有毒。传统做法靠人工一个个试结晶条件，现在用自动化结晶平台并行设置几百种温度、溶剂、浓度组合，几天内筛完所有晶型，AI 再结合数据推荐最稳定的那个。老周的厨房哲学在这里换了个名字，内核却一模一样：多灶台、快检测、数据选优。

八、翻车指南：堵住流水线的漏勺

再先进的流水线也会翻车。老周交了不少学费：有一回机械臂的加料器堵了，一连做了三十道咸死人的菜才被发现；还有一回数据系统升级，老记录全变成了乱码。高通量实验的坑，往往不是单个环节出问题，而是「高速」把问题放大了。

第一个坑是瓶颈错位。很多人以为买更多的机械臂就能跑得更快，结果发现检测仪忙不过来，样品堆成山。这就像厨房灶台从十个加到二十个，可电子舌头只有一张嘴。应对之策是先画「流程瓶颈图」，找出最慢的环节，再决定加谁的预算。第二个坑是失败模式被掩盖。传统实验失败一两次就能察觉，高通量实验一次跑几百个，某个设备故障可能让一整批数据报废。应对之策是设置质控孔，就像老周每隔十道菜就放一道「标准菜」进去试味道，仪器漂移一眼就能看出来。第三个坑是过度自动化，什么环节都想上机器，结果系统复杂度爆炸，三天两头宕机。衡量系统稳定性的指标是成功率：

老周最后总结出一条黄金法则：高通量不是「快」的艺术，而是「稳中求快」的艺术。堵住了漏勺，流水线上的每一道菜才值得下锅。

---

AI 应用场景

Python 演示

import mathimport random # 隐藏的真实性能函数: 两个配方变量 x1 x2 最优在 0.6 0.4def true_performance(x1, x2):    return 100 - 80 * ((x1 - 0.6) ** 2 + (x2 - 0.4) ** 2) def run_plate(points):    # 模拟一块96孔板的高通量并行实验 一次测多个配方    results = []    for x1, x2 in points:        noise = random.gauss(0, 3)  # 测量噪声        results.append((true_performance(x1, x2) + noise, x1, x2))    return results def grid_points(step=0.1):    # 第一轮 全网格地毯式采样 最多96个配方    pts = []    n = 0    for i in range(11):        for j in range(11):            if n >= 96:                return pts            pts.append((round(i * step, 2), round(j * step, 2)))            n += 1    return pts def refine_points(best, radius=0.15, count=80):    # 下一轮 在最优配方附近加密采样 主动学习的朴素版    pts = []    for _ in range(count):        x1 = best[1] + random.uniform(-radius, radius)        x2 = best[2] + random.uniform(-radius, radius)        x1 = min(max(x1, 0.0), 1.0)        x2 = min(max(x2, 0.0), 1.0)        pts.append((round(x1, 2), round(x2, 2)))    return pts def main():    random.seed(42)    print("第1轮 全网格高通量扫描96个配方")    all_results = run_plate(grid_points())    all_results.sort(reverse=True)    best = all_results[0]    print("最佳配方 x1=%.2f x2=%.2f 性能=%.2f" % (best[1], best[2], best[0]))     for rnd in range(2, 6):        print("第%d轮 在最佳配方附近加密采样" % rnd)        new_pts = refine_points(best)        new_results = run_plate(new_pts)        all_results = sorted(all_results + new_results, reverse=True)        best = all_results[0]        print("最佳配方 x1=%.2f x2=%.2f 性能=%.2f" % (best[1], best[2], best[0]))     true_best = true_performance(0.6, 0.4)    print("已知真实最优性能 %.2f" % true_best) if __name__ == "__main__":    main()

1. def run_plate(points):模拟一块 96 孔板并行执行多个实验，对应流水线上的 96 个灶台。
2. noise = random.gauss(0, 3)给真实性能加测量噪声，模拟检测仪器不是百分百精确。
3. results.append((true_performance(x1, x2) + noise, x1, x2))把性能、配方参数一并记录，对应数据管家要求的「元数据完整」。
4. def grid_points(step=0.1):第一轮在参数空间均匀撒点，讲究「稀疏铺开」。
5. if n >= 96: return pts96 孔板容量有限，一轮最多跑 96 个实验。
6. def refine_points(best, radius=0.15, count=80):第二轮起在最优配方附近加密采样，模拟 AI 副厨的聚焦策略。
7. x1 = min(max(x1, 0.0), 1.0)把越界的参数拉回合法范围，防止实验跑飞。
8. all_results.sort(reverse=True)把历史所有实验结果排序，永远只盯着当前最优的配方。
9. if __name__ == "__main__": main()程序入口，保证脚本可直接运行。

常见误区

面试题